1037

Prévia do material em texto

Há uma estranheza poética em tentar traduzir em lançamentos contábeis o que, nas entranhas de servidores e algoritmos, pulsa como intuição mecânica: a contabilidade de empresas de inteligência artificial é, ao mesmo tempo, arte de medir o intangível e ciência de domar o imprevisível. Nesta resenha, percorro esse território híbrido — metade laboratório, metade escritório de escrituração — onde normas, estimativas e narrativas se entrelaçam para dar forma a resultados que fogem ao olhar clássico do balanço patrimonial.
A começar pelo objeto: o ativo mais valioso de uma companhia de IA muitas vezes não é uma máquina física, mas um conjunto de dados, modelos treinados, know‑how e a capacidade de transformar entradas em decisões. Contabilizar isso exige mais do que aplicação mecânica de CPCs e IFRS; requer interpretação técnica e juízo profissional. O profissional de contabilidade assume o papel de tradutor entre duas línguas — a da tecnologia e a da conformidade — decodificando o custo de treinamento de modelos, o valor de bibliotecas de código e a recuperação futura esperada desses investimentos.
No plano expositivo, convém destacar pontos centrais que orientam a prática: reconhecimento de receita, mensuração de ativos intangíveis, pesquisa e desenvolvimento, mensuração ao valor justo e testes de impairment. Empresas de IA frequentemente transitam entre modelos de negócio — venda de licença, software como serviço (SaaS), serviços de consultoria e plataformas de dados — e cada transição altera o momento e a forma de reconhecimento da receita, conforme os princípios do CPC 47 (IFRS 15). O desafio está em identificar os “contratos de desempenho”: o que se entrega? Uma licença de modelo? A personalização do algoritmo? A contínua disponibilidade de processamento? Cada resposta implica reconciliações distintas.
Literariamente, poderíamos imaginar o balanço como um mapa de memórias elétricas: ativos intangíveis que se materializam em linhas e notas explicativas, com histórias de experimentos que deram certo e milhares de tentativas que não desembocaram em produto comercializável — essas perdas, na contabilidade, assumem feições de despesa quando não há critério de capitalização. A norma que rege a capitalização de custos de desenvolvimento (CPC/IAS 38) é rigorosa: é preciso demonstrar viabilidade técnica, intenção de completar e utilizar, capacidade de gerar benefícios econômicos futuros e a existência de recursos para completar o projeto. Poucas startups atravessam esse limiar sem recorrer a justos juízos de valor.
Outra fronteira crítica é a valoração dos dados e dos modelos. Dados brutos raramente cumprem a definição clássica de ativo até que sejam transformados — limpos, rotulados, integrados — em insumos que geram benefícios econômicos previsíveis. Modelos treinados, por sua vez, sofrem obsolescência acelerada: em um mercado em que novos algoritmos surgem e mudanças de dados degradam performances, a mensuração ao valor justo e os testes de impairment (CPC 01/IAS 36) exigem hipóteses sobre taxas de adoção, persistência de vantagem competitiva e custos de atualização.
Há também o campo da governança e do controle. Auditar modelos, verificar integridade de pipelines de dados e assegurar controles internos sobre processos de machine learning são responsabilidades que se estendem pela contabilidade: sem evidência adequada, estimativas e provisões tornam‑se frágeis. Relatos complementares — notas sobre risco de modelo, políticas de privacidade, e métricas de performance — enriquecem as demonstrações financeiras e dialogam com investidores que buscam compreender exposição a vieses, dependência de fornecedores de nuvem e riscos regulatórios.
No Brasil, as particularidades fiscais e regulatórias adicionam camadas: a classificação de gastos como dedutíveis ou capitalizáveis perante a Receita Federal impacta fluxo de caixa e planejamento tributário. Instrumentos de financiamento, como investimento-anjo, debêntures conversíveis e opções sobre ações, demandam mensuração ao valor justo (CPC 46/IFRS 13) e tratamento apropriado na contabilidade societária, com reflexos sobre lucros por ação e governança.
A resenha não pode omitir a dimensão ética: contabilidade para IA não é neutra. As escolhas de reconhecimento e mensuração afetam percepções de valor e decisões de mercado. Transparência nas premissas, robustez metodológica e comunicação clara nas notas explicativas são mais do que formalidades; são responsabilidade moral perante stakeholders que dependem de números para avaliar riscos sociais e econômicos.
Por fim, a contabilidade de empresas de IA é um convite à criatividade técnica e ao rigor normativo. Requer profissionais fluentes em estatística, ciência de dados e normas contábeis; exige auditores dispostos a compreender pipelines e cientistas de dados capazes de traduzir seus experimentos em parâmetros úteis à estimativa de valor. O futuro reserva normas mais específicas, mas, até lá, o equilíbrio entre narrativa e prova, entre literatura e técnica, é o que segura o relato contábil dessas entidades que transformam padrões em promessa econômica.
PERGUNTAS E RESPOSTAS
1) Quais custos de IA podem ser capitalizados?
Resposta: Custos de desenvolvimento que atendam aos critérios do CPC/IAS 38 (viabilidade técnica, intenção, capacidade de uso e geração de benefícios econômicos) podem ser capitalizados; pesquisa geralmente é despesa.
2) Como reconhecer receita em modelos SaaS de IA?
Resposta: Aplicar CPC 47/IFRS 15 identificando obrigações de desempenho (licença, customização, suporte contínuo) e alocar preço contratual conforme o progresso do cumprimento.
3) Dados são ativos contabilizáveis?
Resposta: Dados só são reconhecidos como ativo intangível se atenderem à definição (controlados, geradores de benefícios futuros e mensuráveis); muitos conjuntos de dados permanecem como custos até processamento.
4) Como tratar obsolescência de modelos?
Resposta: Realizar testes de impairment regulares (CPC 01/IAS 36) considerando desempenho, custo de substituição e expectativas de receita; reconhecer perdas quando necessário.
5) Que controles são essenciais para auditoria de IA?
Resposta: Governança de dados, versionamento de modelos, validação de performance, registros de treinamento e métricas de bias/robustez são controles-chave para sustentar conclusões auditoriais.